Türkçenin Anlamsal Görev Çözümlemesi

Yıl 2018, Cilt: 11 Sayı: 2, 41 - 51, 15.11.2018

Gözde Gül Şahin , Eşref Adalı

Öz

Bir oluş, sözdizimsel yapıları farklı tümceler ile ifade edilebilir (ör: Ekonomi %5 oranında büyümüştür ve Ekonomideki büyüme %5’tir). Bilgisayarlara, bu farklı biçimlerin aynı anlama denk geldiğini gösterebilmek için, ortak bir anlamsal gösterim dili gerekir. Bu çalışmada, tümce anlamlarını, eylem ve paydaş ikilisiyle göstermeye yarayan "Anlamsal Görev Çözümlemesi" işi Türkçe için gerçeklenmiştir. Bunun için, Türkçe Önerme Veri Tabanı oluşturulmuş, ağaç derlem üzerinde eylem anlamları ve sözcüklerin anlamsal görevleri imece topluluğu tarafından işaretlenmiş ve tüm imlemeler uzmanlar tarafından denetlenmiştir. Derlem imleme kalite ölçütleri kullanılarak etiketleme kalitesi ölçülmüş ve yüksek kaliteli bir Türkçe Önerme Derlemi oluşturulduğu pek çok farklı ölçütle

gösterilmiştir. Oluşturulan derlem üzerinde Türkçeye özgü ikili ve ulamsal nitelikler ve Türkçe sözcük

vektörlerine dayalı dağıtık niteliklerle lojistik regresyon modelleri eğitilmiş ve böylece yüksek başarımlı bir anlamsal görev çözümleyici gerçeklenmiştir.

Anahtar Kelimeler

Türkçe Doğal Dil Anlama, Anlam bilimi, Anlamsal Görev Çözümleme, Önerme Veri Tabanı, Makine Öğrenmesi

Kaynakça

• [1] W.A. Woods, Semantics for a Question-Answering System, Ph.D. thesis, Harvard University, (1967)
• [2] C.F. Baker, C.J. Fillmore, J.B. Lowe, The Berkeley Framenet Project, Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics-Volume 1, Association for Computational Linguistics, pp.86–90. (1998)
• [3] K.K. Schuler, Verbnet: a Broad-Coverage, Comprehensive Verb Lexicon. (2005).
• [4] L. Banarescu, C. Bonial, S. Cai, M. Georgescu, K. Griffitt, U. Hermjakob, K. Knight, P. Koehn, M. Palmer, N. Schneider, Abstract Meaning Representation (Amr) 1.0 Specification, Parsing on Freebase From Question-Answer Pairs. In Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing. Seattle: ACL, pp.1533–1544. (2012).
• [5] M. Palmer, D. Gildea, P. Kingsbury, The Proposition Bank: an Annotated Corpus of Semantic Roles, Computational linguistics, 31(1), 71–106.(2005).
• [6] M. Palmer, R. Bhatt, B. Narasimhan, O. Rambow, D. M. Sharma, F. Xia, Hindi Syntax: Annotating Dependency, Lexical Predicate-Argument Structure, and Phrase Structure, Proceedings of the 7th International Conference on Natural Language Processing, ICON’09, 261—-268. (2009).
• [7] N. Xue, M. Palmer, M. Adding Semantic Roles to The Chinese Treebank, Natural Language Engineering, 15(1), 143.(2008).
• [8] W. Zaghouani, M. Diab, A. Mansouri, S. Pradhan, M. Palmer, The revised Arabic PropBank, 10 Proceedings of the Fourth Linguistic Annotation Workshop, 222–226.(2010).
• [9] K. Haverinen, J. Kanerva, S. Kohonen, A. Missila, S. Ojala, T. Viljanen, V. Laippala, F. Ginter, The Finnish Proposition Bank, Language Resources and Evaluation, 49(4), 907–926.(2015).
• [10] M.S. Duran, S.M. Aluísio, Propbank-Br: a Brazilian Treebank Annotated With Semantic Role Labels, LREC. (2012).
• [11] J. May, SemEval-2016 Task 8: Meaning Representation Parsing, Proceedings of SemEval, 1063–1073. (2016).
• [12] A. Akbik, I. chiticariu, M. Danilevsky, Y. Li, S. Vaithyanathan, H. Zhu, Generating High Quality Proposition Banks for Multilingual Semantic Role Labeling, Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics, Association for Computational, Linguistics, Beijing, China, pp.397–407. 111(2015).
• [13] K. Oflazer, I.D. El-Kahlout, Exploring Different Representational Units in English-to-Turkish Statistical Machine Translation, Proceedings of the Second Workshop on Statistical Machine, (2007).
• [14] J.D. Choi, C. Bonial, M. Palmer, Propbank Frameset Annotation Guidelines Using a Dedicated Editor, Cornerstone., LREC.(2010).
• [15] N. B. Atalay, K. Oflazer, B. Say The Annotation Process in the Turkish Treebank. In Proceedings of 4th International Workshop on Linguistically Interpreted Corpora, LINC at EACL 2003, Budapest, Hungary, April 13-14, 2003.
• [16] U. Sulubacak, G. Eryiğit. Implementing Universal Dependency, Morphology and Multiword Expression Annotation Standards for Turkish Language Processing. Turkish Journal of Electrical Engineering Computer Sciences pages 1–23. 2018
• [17] U. Sulubacak, T. Pamay, G. Eryiğit. IMST: A Revisited Turkish Dependency Treebank. In Proceedings of the 1st International Conference on Turkic Computational Linguistics (TurCLing) at CICLing, Konya, Turkey, 2016.
• [18] K. Oflazer, B. Say, D. Z. Hakkani-Tür, G. Tür. Building a Turkish treebank. In Treebanks, Springer, pages 261–277. 2003.
• [19] G. G. Şahin, M. Steedman. Character-Level Models versus Morphology in Semantic Role Labeling. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics, ACL 2018, Melbourne, Australia, July 15 - July 20. Long Papers. 2018
• [20] G. G. Şahin, E. Adalı. Annotation of semantic roles for the Turkish Proposition Bank. Language Resources and Evaluation pages 1–34. 2017
• [21] G. G. Şahin, E. Adalı. Verb Sense Annotation for Turkish PropBank via Crowdsourcing. In Computational Linguistics and Intelligent Text Processing - 17th International Conference, CICLing 2016, Konya, Turkey, April 3-9, 2016, Revised Selected Papers, Part I. pages 496–506. 2016.
• [22] G. G. Şahin. Framing of Verbs for Turkish PropBank. In In Proceedings of 1st International Conference on Turkic Computational Linguistics, TurCLing. 2016.
• [23] G. G. İşgüder, E. Adalı Using morphosemantic information in construction of a pilot lexical semantic resource for Turkish. Proceedings of Workshop on Lexical and Grammatical Resources for Language Processing. 2014.
• [24] G. G. İşgüder, Building of Turkish Propbank and Semantic Role Labeling of Turkish, Doktora Tezi, İTÜ Fen Bilimleri Ens. 2018